Mirror Particle در حال ساختن یک «مدل جهانی» از رفتار انسان است

وضعیت موجود برای پیش‌بینی رفتار انسان امروزه به شدت به مدل‌های زبانی بزرگ (LLM) وابسته است که برای ایفای نقش به‌عنوان جمعیت‌شناختی هدف تحریک یا تنظیم شده‌اند. اما Mirror Particle مستقر در سانفرانسیسکو دو ساله فکر می کند که این رویکرد اساسا شکسته شده است.

Abhivyakti Ahuja، یکی از بنیانگذاران و مدیر عامل شرکت Mirror، که یک موتور هوش مصنوعی را به برندها می فروشد که رفتار مصرف کننده و دلایل آن را پیش بینی می کند، می گوید: «این مانند آوردن یک سوپر آبشار به آبشار نیاگارا است. LLM ها روی صدها میلیارد نقطه داده آموزش دیده اند. چقدر می توانید با [تنظیم دقیق] با چنین حجم کمی از داده بر رفتار آن تأثیر بگذارید؟ هنوز در گذشته مانده است.»

آهوجا فکر نمی کند که LLM ها دنیا را آن گونه که یک انسان می بیند می بینند. LLM ها زبان نوشتاری را الگوبرداری می کنند، اما انسان ها از ادراک بصری، استدلال فضایی و هوش اجتماعی ساخته شده اند. او می‌گوید تکیه بر آن‌ها به معنای دریافت بینش‌هایی است که انسان‌ها متوجه آن‌ها نمی‌شوند، که در هنگام تلاش برای پیش‌بینی رفتار انسان اهمیتی ندارد.

Mirror Particle رویکرد دیگری را در پیش گرفته است: ساخت یک مدل پایه، یا همانطور که Ahuja آن را توصیف می‌کند، یک مدل جهانی ساخته شده از ابتدا که شبیه‌سازی می‌کند چرا انسان‌ها کاری را انجام می‌دهند و چگونه رفتار انسان در طول زمان تغییر می‌کند.

آهوجا گفت: «ما نمی‌خواهیم فرد ساکن را دستگیر کنیم. ما می‌خواهیم فرد در حال تغییر را به تصویر بکشیم. این بدان معناست که داده‌های طولی در مورد چگونگی تغییر افراد، محرک‌هایی که آنها را تغییر می‌دهند و تا چه میزان است، ضبط کنیم. او افزود، اگر آنها تغییر نکنند، "این نیز یک سیگنال است."

Mirror Particle قبلا یک دور فرشته را ایجاد کرده است و می‌گوید که به پایان اولین دور سرمایه‌گذاری خود نزدیک است. این شرکت همچنین هفته آینده در Startup Battlefield، رقابت استارت آپی مشهور TechCrunch، رقابت خواهد کرد.

این استارت‌آپ برای مدل‌سازی یک بخش جمعیت‌شناختی به ترکیبی اختصاصی از داده‌ها متکی است که شامل داده‌های مشتریان مشتریان، رویدادهای جاری، فرهنگ پاپ، رسانه‌های اجتماعی و موارد دیگر می‌شود و آن را به عنوان سیستمی در نظر می‌گیرد که در طول زمان تکامل می‌یابد و نحوه تغییر انگیزه‌ها را با حرکت در تجربیات دنبال می‌کند. بیشتر تمرکز بر "رفتار آشکار" است - آنچه که مردم در واقع انجام می دهند به جای پاسخ های نظرسنجی گزارش شده توسط خود.

مانند رقبای خود، استراتژی اولیه ورود به بازار Mirror Particle بر جایی تمرکز دارد که بودجه برای این نوع بینش ها وجود دارد: تحقیقات بازار و استراتژی برند و محصول. به عنوان مثال، Mirror ممکن است به یک برند زیبایی کمک کند نه تنها یک نسخه تبلیغاتی بهتر برای آرایش بنویسد که برای Gen Z جذاب باشد، بلکه تعیین کند که آیا آن جمعیت آن محصول را می‌خواهد یا خیر.

"اگر [جمعیت هدف] پالت سایه چشم نخواهد چه؟" آهوجا گفت. اگر می خواهید محصولی را به این بازار بفروشید، شاید رژگونه گزینه بهتری باشد.

موتور پیش‌بینی Mirror Particle همچنین «چرا» رفتار فعلی یا آینده را در اختیار مشتریان قرار می‌دهد - انگیزه‌ها، محدودیت‌ها و زمینه اضافی که توصیه‌های آن را توجیه می‌کند و به برندها کمک می‌کند تصمیمات هوشمندانه‌تری بگیرند.

در یکی از آزمایش‌های اولیه، یک برند معروف غذای حیوانات خانگی می‌خواست بداند برای افزایش فروش چه تصاویری روی بسته‌بندی قرار دهد. مرغ؟ گوشت گاو؟ سبزیجات؟ فناوری Mirror دریافت که این برند سوال اشتباهی می‌پرسد. تصویر مهم نبود مشکل این بود که این برند آنقدر قابل تشخیص بود که به عنوان بازار انبوه و ارزان در نظر گرفته می شد و تا زمانی که به این موضوع ادراک نپردازد، فروش بالا می رفت.

آهوجا با اشاره به اینکه نوزادان از بینایی به زبان، آگاهی بدن و هوش اجتماعی حرکت می‌کنند، گفت: «نحوه‌ای که ما الگوی خود را در حال تکامل می‌بینیم، مانند نحوه یادگیری یک نوزاد درباره جهان است.

این علاقه اساسی به مدل سازی مغز انسان از پیشینه آهوجا در مطالعه علوم اعصاب و علوم کامپیوتر ناشی می شود. او که اصالتا اهل هند بود، به تحصیل در دانشگاه تورنتو پایان داد، جایی که از مشارکت های پیشگام هوش مصنوعی جفری هینتون در شبکه های عصبی الهام گرفت.

بعد از مدرسه، آهوجا به ساخت ربات‌هایی که ربات‌های دیگری را می‌سازند، در Amazon Robotics کار کرد. آنجا بود که او با هم بنیانگذارانش، ویل سانگ و تامسون ین آشنا شد. سانگ بخشی از کار خود را صرف ساخت موتورهای شخصی سازی فروش کرده است و ین بر استفاده از یادگیری عمیق برای یادگیری نحوه درک عوامل هوش مصنوعی از رفتار انسان تمرکز کرده است.

چشم‌انداز بلندمدت استارت‌آپ این است که «لایه کلی برای پیش‌بینی رفتار انسانی» باشد و از تحلیل‌های گسترده‌تر در سطح جمعیت به بینش‌های سطح فردی حرکت کند.

آهوجا گفت: «اگر بخواهیم در کنار هوش مصنوعی و با یکدیگر کار کنیم، فقط به مدل بهتری از انسان نیاز داریم.

Mirror Particle و ده‌ها استارت‌آپ نوآور دیگر را که هفته آینده توسط تیم تحریریه TechCrunch در Disrupt در مرکز شهر سانفرانسیسکو بررسی شده‌اند، بررسی کنید. برنده بازی Startup Battlefield امسال توسط داوران VC ما در بعدازظهر پنجشنبه، 15 اکتبر تعیین خواهد شد.

وقتی از طریق پیوندهای موجود در مقالات ما خرید می کنید، ممکن است کمیسیون کمی کسب کنیم. این بر استقلال تحریریه ما تأثیر نمی گذارد.

ربکا بلان یک گزارشگر ارشد در TechCrunch است که در آن تجارت، سیاست و روندهای نوظهور در شکل گیری هوش مصنوعی را پوشش می دهد. آثار او همچنین در فوربس، بلومبرگ، آتلانتیک، دیلی بیست و سایر نشریات ظاهر شده است.

می‌توانید با ارسال ایمیل به rebecca.bellan@techcrunch.com یا از طریق پیام رمزگذاری‌شده در rebeccabellan.491 در سیگنال، با ربکا تماس بگیرید یا آن را تأیید کنید.

قاضی فدرال، آنتونی ها را "نظارت جمعی بی رویه" می نامد

آمازون در پاسخ به عکس العمل مرکز داده، می گوید دیگر از NDA آنتونی ها استفاده نمی کند

گوگل فکر می کند استارشیپ اسپیس ایکس باید 1800 بار قبل از اینکه مراکز داده فضایی از زمین خارج شوند تیم فرنهولز

اولین نیروگاه زمین گرمایی پیشرفته جهان تنها در 23 ماه تکمیل شد تیم دی چانت

گوگل Gemini 4 Argon را منتشر کرد که قدرتمندترین مدل خود را Lucas Ropek می نامند

پنتاگون از ایلان ماسک و پالمر لاکی استفاده می کند تا به تصمیم گیری در مورد اینکه ارتش بعدی دومینیک مادوری دیویس چه کاری باید انجام دهد کمک کند.